rbf神经网络模型与学习算法

《rbf神经网络模型与学习算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、2.5径向基函数神经网络模型与学习算法概述1985年，Powell提出了多变量插值的径向基函数(RadicalBasisFunction，RBF)方法1988年，Moody和Darken提出了一种神经网络结构，即RBF神经网络RBF网络是一种三层前向网络RBF网络的基本思想用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接(即不需要通过权连接)映射到隐空间当RBF的中心点确定后，映射关系也就确定隐含层空间到输出空间的映射是线性的2.5.1RBF神经网络模型径向基神经网络的神经元结构激活函数采用径向基函数以输入和

2、权值向量之间的距离作为自变量2.5.1RBF神经网络模型径向基神经网络结构2.5.1RBF神经网络模型RBF网络与BP网络比较：RBF网络的输出是隐单元输出的线性加权和，学习速度加快BP网络使用sigmoid()函数作为激活函数，这样使得神经元有很大的输入可见区域径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元2.5.2RBF神经网络工作原理RBF的非线性分类能力是什么？2.5.2RBF神经网络工作原理空间1空间2不易解决问题易解决问题变换空间1空间2线

3、性不可分线性可分空间变换2.5.2RBF神经网络工作原理RBF解决异或问题2.5.2RBF神经网络工作原理RBF解决异或问题2.5.2RBF神经网络工作原理逼近任意曲线（程序演示）2.5.2RBF网络的学习算法学习算法需要求解的参数径向基函数的中心方差隐含层到输出层的权值学习方法分类（按RBF中心选取方法的不同分）随机选取中心法自组织选取中心法有监督选取中心法正交最小二乘法等2.5.2RBF网络的学习算法自组织选取中心学习方法第一步，自组织学习阶段无导师学习过程，求解隐含层基函数的中心与方差；第二步，有导师学习阶段求

4、解隐含层到输出层之间的权值。高斯函数作为径向基函数2.5.2RBF网络的学习算法网络的输出(网络结构如图2-21所示)设d是样本的期望输出值，那么基函数的方差可表示为:2.5.2RBF网络的学习算法自组织选取中心算法步骤1.基于K-均值聚类方法求取基函数中心（1）网络初始化。随机选取个训练样本作为聚类中心。（2）将输入的训练样本集合按最近邻规则分组。按照与中心为之间的欧氏距离将分配到输入样本的各个聚类集合中。（3）重新调整聚类中心。计算各个聚类集合中训练样本的平均值，即新的聚类中心，如果新的聚类中心不再发生变化，则所

5、得到的即为RBF神经网络最终的基函数中心，否则返回（2），进入下一轮的中心求解。2.5.2RBF网络的学习算法2.求解方差RBF神经网络的基函数为高斯函数时，方差可由下式求解：式中为中所选取中心之间的最大距离。3.计算隐含层和输出层之间的权值隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下：2.5.3RBF网络学习算法的MATLAB实现函数名功能newrb()新建一个径向基神经网络newrbe()新建一个严格的径向基神经网络newgrnn()新建一个广义回归径向基神经网络newpnn()新

6、建一个概率径向基神经网络RBF网络的MATLAB函数及功能2.5.3RBF网络学习算法的MATLAB实现newrb()功能建立一个径向基神经网络格式net=newrb(P，T，GOAL，SPREAD，MN，DF)说明P为输入向量，T为目标向量，GOAL为圴方误差，默认为0，SPREAD为径向基函数的分布密度，默认为1，MN为神经元的最大数目，DF为两次显示之间所添加的神经元神经元数目。2.5.3RBF网络学习算法的MATLAB实现newrbe()功能建立一个严格的径向基神经网络,严格是指径向基神经网络的神经元的个数与

7、输入值的个数相等。格式(1)net=newrb(P，T，SPREAD)说明各参数的含义见Newrb。2.5.3RBF网络学习算法的MATLAB实现例2-4建立一个径向基神经网络，对非线性函数y=sqrt(x)进行逼近，并作出网络的逼近误差曲线。2.5.3RBF网络学习算法的MATLAB实现例2-4误差曲线和逼近曲线程序演示小结背景RBF网络的基本思想RBF神经网络模型RBF神经网络工作原理高斯函数RBF网络的学习算法RBF网络的MATLAB实现RBF网络的应用